煤田地质与勘探

作者：杨暾, 叶树刚, 马明, 王千遥,

关键词：煤厚预测, 地震属性, 核主成分分析, 粒子群优化算法, 支持向量回归, 动态预测模型,

目的和方法随着高精度和智能化地震勘探技术的发展，准确量化解释煤层厚度，为构建高精度三维地质模型提供可靠的数据支撑，有助于保障煤矿安全高效生产。针对煤层厚度预测中多属性综合分析方法面临的地震属性优选繁琐与回归分析模型精度较低的问题，提出了一种基于核主成分分析和粒子群优化的支持向量回归(KPCA−PSO−SVR)预测模型。利用KPCA降维技术减少地震属性冗余信息，并结合PSO算法自动优化SVR模型的超参数(惩罚系数c和核函数参数γ)，克服了经验法调参的局限性，有效提升了预测精度和效率。最后引入增量学习机制，将工作面揭露数据动态融入模型进行训练，实现煤层厚度的动态解释。结果和结论楔形正演模型数值分析表明，KPCA降维技术优化了多属性组合，为回归分析模型提供了高质量数据保障。不同模型的预测效果定量对比表明，KPCA−PSO−SVR模型的拟合优度R2为0.966 7，预测精度优于传统SVR、PSO−SVR、GWO−SVR和BP神经网络模型。KPCA−PSO−SVR和PSO−SVR模型在不同训练集占比下均表现出高预测精度和高计算效率。实际工区应用表明，KPCA−PSO−SVR模型在煤矿采区小样本条件下的稳健性和泛化能力良好，R2达到0.985 8，高于对比模型。对预测模型融入工作面巷道揭露数据进行增量训练后，预测煤厚值最大绝对误差由0.622 m降至0.178 m，进一步提升了模型的适应性和预测性能。KPCA−PSO−SVR模型为煤层厚度解释提供了行之有效的技术方案，具有良好的工程应用价值。

来源：2026年第3期

《煤田地质与勘探》期刊编辑部

查看煤田地质与勘探杂志2026年第3期